• Tidak ada hasil yang ditemukan

IDENTIFIKASI PENYAKIT HALITOSIS DENGAN SENSOR GAS MENGGUNAKAN JARINGAN SYARAF TIRUAN METODE PEMBELAJARAN BACKPROPAGATION.

N/A
N/A
Protected

Academic year: 2017

Membagikan "IDENTIFIKASI PENYAKIT HALITOSIS DENGAN SENSOR GAS MENGGUNAKAN JARINGAN SYARAF TIRUAN METODE PEMBELAJARAN BACKPROPAGATION."

Copied!
17
0
0

Teks penuh

(1)

IDENTIFIKASI PENYAKIT HALITOSIS DENGAN SENSOR

GAS MENGGUNAKAN JARINGAN SYARAF TIRUAN

METODE PEMBELAJARAN BACKPROPAGATION

LAPORAN TUGAS AKHIR

DEKI ANDREAS PUTRA

0910453063

JURUSAN SISTEM KOMPUTER

FAKULTAS TEKNOLOGI INFORMASI

UNIVERSITAS ANDALAS

PADANG

(2)

ii

IDENTIFIKASI PENYAKIT HALITOSIS DENGAN SENSOR

GAS MENGGUNAKAN JARINGAN SYARAF TIRUAN

METODE PEMBELAJARAN BACKPROPAGATION

LAPORAN TUGAS AKHIR

Sebagai Salah Satu Syarat Untuk Menyelesaikan Program Sarjana Pada Jurusan Sistem Komputer Universitas Andalas

DEKI ANDREAS PUTRA

0910453063

JURUSAN SISTEM KOMPUTER

FAKULTAS TEKNOLOGI INFORMASI

UNIVERSITAS ANDALAS

PADANG

(3)
(4)

DAFTAR ISI

2.3 Rangkaian Pengkondisi Sinyal ... 9

2.4 ADC (Analog Digital Converter) ... 10

(5)

2.5.1 Deskripsi Arduino Uno ... 12

2.5.8 Mikrokontroller ATMega328 ... 16

2.6 Jaringan Syaraf Tiruan... 20

BAB III. METODOLOGI PENELITIAN ... 28

3.4.2.2Rangkaian ADC dan Antarmuka Data Serial ... 37

3.4.3 Mekanik Sistem ... 38

3.5 Perancangan Software ... 39

3.5.1 Algoritma Pengkondisi Sinyal ... 39

3.5.2 Diagram Alir Backpropagation ... 40

3.5.3 Desain Antarmuka Pengguna ... 43

3.6 Cara Pengoperasian Alat ... 44

BAB IV. HASIL DAN ANALISA ... 46

4.1 Pengujian dan Analisa Rangkaian Sistem ... 46

4.1.1 Pengujian Sensor Gas TGS 2602 ... 46

4.1.2 Pengujian dan Analisa Rangkaian ADC ... 47

(6)

4.2.1 Respon Sensor terhadap Halitosis ... 49

4.2.2 Respon Sensor terhadap Sampel Acak ... 51

4.3 Pengujian Sistem ... 53

4.3.1 Uji Training Backpropagation ... 54

4.3.2 Uji Identifikasi Halitosis ... 57

4.3.3 Uji Identifikasi Sampel Acak ... 60

4.4 Analisa Hasil ... 79

4.4.1 Analisa Training Backpropagation ... 79

4.4.2 Analisa Identifikasi Sistem terhadap Sampel Acak ... 80

BAB V. PENUTUP ... 81

5.1 Kesimpulan ... 81

5.2 Saran ... 81

(7)

DAFTAR GAMBAR

Gambar 2.1. Pengukuran Organoleptik ... 6

Gambar 2.2. Halimeter ... 6

Gambar 2.3. Sensor Gas TGS 2602 ... 7

Gambar 2.4. Tampilan Sensor dilihat dari bawah ... 8

Gambar 2.5. Rasio Hambatan Sensor TGS 2602 dengan Konsentrasi Gas ... 8

Gambar 2.6. Ketergantungan Suhu dan Kelembaban pada Sensor TGS 2602 9 Gambar 2.7. Rangkaian Pembagi Tegangan ... 9

Gambar 2.8. Board Arduino Uno ... 11

Gambar 2.9. Tampilan Framework Arduino Uno ... 16

Gambar 2.10. Konfigurasi Pin ATMega328 ... 18

Gambar 2.11. Arsitektur Backpropagation ... 21

Gambar 2.12. Grafik Fungsi Aktivasi Sigmoid Biner ... 22

Gambar 2.13. Fungsi Aktivasi Sigmoid ... 23

Gambar 3.1. Rancangan Penelitian ... 29

Gambar 3.2. Rancangan Struktur Backpropagation ... 31

Gambar 3.3. Rancangan Proses Training Bobot ... 32

Gambar 3.4. Proses Identifikasi Backpropagation ... 33

Gambar 3.5. Rancangan Blok Diagram Sistem ... 35

Gambar 3.6. Skema Rangkaian Sensor TGS 2602 ... 36

Gambar 3.7. Skematik Rangkaian ADC dan Data Serial (Arduino Uno) ... 37

Gambar 3.8. Mekanik Sistem ... 38

Gambar 3.9. Diagram Alir Algoritma Pengkondisi Sinyal ... 39

(8)

Gambar 3.11. Flowchart Identifikasi Backpropagation ... 42

Gambar 3.12. Desain untuk Training Backpropagation dengan Matlab ... 43

Gambar 3.13. Desain untuk Identifikasi Backpropagation ... 44

Gambar 4.1. Diagram Skema Pengujian Sensor ... 46

Gambar 4.2. Blok Diagram Pengukuran ADC ... 48

Gambar 4.3. Grafik Respon Sensor Sampel Halitosis selama 64 Frekuensi . 49 Gambar 4.4. Grafik Respon Sensor terhadap Sampel Halitosis ... 50

Gambar 4.5. Grafik Respon Sensor terhadap Sampel Acak 1 ... 52

Gambar 4.6. Grafik Respon Sensor terhadap Sampel Acak 7 ... 53

Gambar 4.7. Tampilan Program Training dengan Bobot Acak pada Matlab 55 Gambar 4.8. Identifikasi Sampel Halitosis untuk Percobaan 1 ... 58

Gambar 4.9. Identifikasi Sampel Acak 1 untuk Percobaan 1 ... 60

Gambar 4.10. Identifikasi Sampel Acak 2 untuk Percobaan 1 ... 62

Gambar 4.11. Identifikasi Sampel Acak 3 untuk Percobaan 1 ... 64

Gambar 4.12. Identifikasi Sampel Acak 4 untuk Percobaan 1 ... 66

Gambar 4.13. Identifikasi Sampel Acak 5 untuk Percobaan 1 ... 68

Gambar 4.14. Identifikasi Sampel Acak 6 untuk Percobaan 1 ... 70

Gambar 4.15. Identifikasi Sampel Acak 7 untuk Percobaan 1 ... 72

Gambar 4.16. Identifikasi Sampel Acak 8 untuk Percobaan 1 ... 74

Gambar 4.17. Identifikasi Sampel Acak 9 untuk Percobaan 1 ... 76

(9)

DAFTAR TABEL

Tabel 2.1. Spesifikasi Sensor TGS 2602 ... 7

Tabel 2.2. Deskripsi Arduino Uno ... 12

Tabel 2.3. Konfigurasi Port B ... 18

Tabel 2.4. Konfigurasi Port C ... 19

Tabel 2.5. Konfigurasi Port D ... 19

Tabel 4.1. Data Tahanan Sensor ... 47

Tabel 4.2. Tabel Pengukuran ADC ... 48

Tabel 4.3. Respon Sensor terhadap Sampel Halitosis ... 50

Tabel 4.4. Respon Sensor terhadap Sampel Acak 1 ... 51

Tabel 4.5. Respon Sensor terhadap Sampel Acak 7 ... 52

Tabel 4.6. Sampel Data untuk Training ... 54

Tabel 4.7. Bobot Baru Hasil Training Backpropagation ... 56

Tabel 4.8. Identifikasi Sampel Halitosis dengan 5 kali Percobaan ... 59

Tabel 4.9. Identifikasi Sampel Acak 1 dengan 5 kali Percobaan ... 61

Tabel 4.10. Identifikasi Sampel Acak 2 dengan 5 kali Percobaan ... 62

Tabel 4.11. Identifikasi Sampel Acak 3 dengan 5 kali Percobaan ... 64

Tabel 4.12. Identifikasi Sampel Acak 4 dengan 5 kali Percobaan ... 66

Tabel 4.13. Identifikasi Sampel Acak 5 dengan 5 kali Percobaan ... 68

Tabel 4.14. Identifikasi Sampel Acak 6 dengan 5 kali Percobaan ... 70

Tabel 4.15. Identifikasi Sampel Acak 7 dengan 5 kali Percobaan ... 72

Tabel 4.16. Identifikasi Sampel Acak 8 dengan 5 kali Percobaan ... 74

Tabel 4.17. Identifikasi Sampel Acak 9 dengan 5 kali Percobaan ... 76

(10)

DAFTAR SINGKATAN

SINGKATAN NAMA Pemakaian Pertama Kali Pada Halaman

pH Potential of Hydrogen 1

VSCs Volatile Sulfur Compunds 1

FFT Fast Fourier Transform 2

DFD Data Flow Diagram 3

PPB Parts Per Billion 6

PPM Parts Per Million 7

GND Ground 8

ADC Analog Digital Converter 10

PWM Pulse Width Modulation 11

MHz Mega Hearzt 11

USB Universal Serial Bus 11

SDA Serial Data Line 11

SCL Serial Clock Line 11

AREF Analog Reference 11

AVR Automatic Voltage Regulator 11

KB Kilo Byte 12

SRAM Static Random Acess Memory 12

EEPROM Electrically Erasable Programmable Read

Only Memory 12

AC-DC Alternating Current-Direct Current 12

(11)

SS Slave Select 13

MOSI Master Out Slave In 13

MISO Master In Slave Out 13

SCK Serial Clock 13

LED Light Emitting Diode 13

I2C Integrated Integrated Circuit 13

TWI Two Wire Interface 13

UART Universal Asynchronous Receive Transmit 14

IDE Integrated Development Environment 16

RISC Reduce Instruction Set Computer 17

CISC Completed Instruction Set Computer 17

MIPS Million Instruction Per Second 17

PC Personal Computer 35

(12)
(13)

ABSTRAK

IDENTIFIKASI PENYAKIT HALITOSIS DENGAN SENSOR GAS

MENGGUNAKAN JARINGAN SYARAF TIRUAN METODE PEMBELAJARAN

BACKPROPAGATION

Oleh :

DEKI ANDREAS PUTRA 0910453063

Penelitian ini bertujuan untuk mendeteksi bau mulut seseorang apakah halitosis atau tidak. Halitosis merupakan suatu istilah yang digunakan untuk menerangkan adanya bau yang tidak

disukai sewaktu terhembus udara yang disebabkan sisa makanan yang tertinggal dalam rongga mulut. Sistem yang dirancang menggunakan sensor gas TGS 2602 yang berfungsi untuk mendeteksi kadar gas hidrogen sulfida yang terkandung pada nafas seseorang. Untuk pengambilan keputusan, sistem ini menggunakan jaringan syaraf tiruan dengan metode pembelajaran backpropagation. Hasil yang diperoleh dengan 5 kali pengujian adalah sampel halitosis dapat dideteksi dengan tingkat keberhasilan 80%, sedangkan untuk sampel acak

berhasil dideteksi 2 sampel yang mengalami halitosis dengan tingkat keberhasilan masing-masing 100% dan 80%, serta 8 sampel acak lain tidak mengalami halitosis dengan tingkat keberhasilan 100%. Dengan adanya sistem ini, diharapkan dapat dijadikan sebagai alternatif untuk menguji apakah seseorang menderita halitosis atau tidak.

Kata kunci : Sensor Gas, Hidrogen Sulfida, Halitosis, Jaringan Syaraf Tiruan, Backpropagation

(14)

HALITOSIS IDENTIFICATION USING GAS SENSOR WITH BACKPROPAGATION NEURAL NETWORK METHOD

By :

DEKI ANDREAS PUTRA 0910453063

The purpose of this research is to detect whether a person has halitosis or not. Halitosis is the name used for bad breath, which is caused by bacteria in the mouth. The system uses the sensor TGS 2602. It's function is to detect the levels of Hydrogen Sulfide in a person’s breath. The decision is made by using the neural network with a backpropagation method. The result for 5 (five) tests of Halitosis samples can be detected with a success rate of 80%, whereas using random samples, the test detected 2 samples with halitosis, one sample with a success rate of 100% and other sample with a success rate of 80% and for the other 8 (eight) samples that

didn’t contain halitosis, the success rate was 100%. This system could provide a solution for testing if a person is suffering from halitosis.

(15)

BAB I PENDAHULUAN

1.1 Latar Belakang

Kesehatan mulut tidak hanya sebatas memiliki gigi yang sehat saja melainkan bebas dari seluruh penyakit mulut termasuk kondisi di rongga mulut seperti halitosis yang dapat mempengaruhi kualitas hidup seseorang[1]. Halitosis merupakan suatu istilah yang digunakan untuk menerangkan adanya bau yang tidak disukai sewaktu terhembus udara yang disebabkan sisa makanan yang tertinggal dalam rongga mulut[2],[3]. Kondisi mulut yang dapat memicu terjadinya bau mulut yaitu meningkatnya jumlah protein makanan, potential of hydrogen (pH) rongga mulut yang lebih bersifat alkali, meningkatnya jumlah sel-sel mati di dalam mulut dan sel epitel nekrotik di dalam mulut[3].

Pengecekan halitosis dapat dilakukan dengan menghitung kadar Volatile Sulfur Compounds (VSCs) yang dihembuskan melalui mulut. Beberapa penelitian[4],[5] telah membuktikan bahwa H2S dan CH3SH pada VSCs hampir 90% menghasilkan bau, sedangkan

CH3SCH3 hanya sekitar 10%.

Untuk mendeteksi halitosis, dokter biasanya memeriksa pada bagian-bagian tubuh yang dilewati oleh udara, yakni paru-paru, hidung, dan mulut. Terdapat beberapa cara untuk mendeteksi apakah seseorang terkena penyakit bau mulut atau tidak, yaitu self diagnosis, pengukuran organoleptik, dan penggunaan halimeter. Self diagnosis dilakukan dengan cara mencium bau nafasnya sendiri. Metode ini dilakukan jika seseorang tidak ingin atau merasa malu jika nafasnya tercium oleh orang lain, namun metode ini tidak efektif karena hasilnya tergantung pada persepsi orang tersebut terhadap bau yang dicium dan ia pun juga tidak tahan untuk mencium bau nafas sendiri.

Pengukuran organoleptik dilakukan dengan cara mencium langsung bau yang terpancar dari mulut dan lidah yang disesuaikan dengan skala pengukuran dari nol sampai lima. Metode ini sederhana karena tidak memerlukan alat pengukur khusus dan dapat digunakan pada jumlah populasi yang banyak, namun metode ini berisiko terjadi penularan penyakit lewat udara pernafasan. Cara lain bisa juga menggunakan halimeter, yaitu alat untuk mendeteksi halitosis yang digunakan dalam praktek dokter gigi.

(16)

sulfida. Hasil deteksi sensor gas, dinyatakan pada jaringan syaraf tiruan sebagai bagian

pemroses untuk pengambilan keputusan.

Berdasarkan dari latar belakang masalah tersebut, maka dalam penelitian ini akan digunakan sensor gas yang dapat dilakukan untuk mendeteksi udara pernafasan. Hasil deteksi sensor tersebut diolah dan diinputkan ke jaringan syaraf tiruan untuk menghasilkan pola yang diinginkan. Untuk itu penulis mengangkat judul tugas akhir ini, yaitu “Identifikasi Penyakit Halitosis dengan Sensor Gas menggunakan Jaringan Syaraf Tiruan Metode Pembelajaran Backpropagation”. Dengan penelitian ini diharapkan seseorang bisa diketahui menderita halitosis atau tidak dengan mendeteksi udara pernafasan.

1.2 Rumusan Masalah

Adapun permasalahan yang dibahas dalam tugas akhir ini adalah :

Apakah metode Jaringan Syaraf Tiruan Backpropagation mampu melakukan identifikasi terhadap bau mulut berdasarkan pola data yang didapat dari metode Fast Fourier Transform (FFT)

1.3 Batasan Masalah

Batasan masalah pada tugas akhir ini adalah :

1. Sensor gas akan mendeteksi unsur yang dominan pada bau mulut tersebut yaitu unsur hidrogen sulfida (H2S) dan sudah dalam bentuk pola data.

2. Objek penelitian yang digunakan adalah bau mulut penderita halitosis dan bau mulut sampel acak dengan menggunakan alat penguji yang sama.

3. Metode jaringan syaraf tiruan yang dipakai adalah metode backpropagation yang terdiri dari input layer, hidden layer, dan output layer yang telah didapat pola datanya berdasarkan metode FFT.

4. Perangkat lunak yang digunakan yaitu Borland Delphi 7 dan Matlab.

1.4 Tujuan

Tujuan dari pembuatan tugas akhir ini yaitu membuat sebuah sistem mengidentifikasi penyakit halitosis, yang terdiri dari perangkat lunak dan perangkat keras memakai bau mulut menggunakan sensor gas yang telah didapatkan pola datanya dengan metode Fast Fourier Transform (FFT), yang kemudian akan ditraining dengan jaringan syaraf tiruan menggunakan

(17)

1.5 Sistematika Penulisan

Sistematika dalam penulisan tugas akhir ini akan dibagi menjadi beberapa bab sebagai berikut :

Bab I Pendahuluan berisi latar belakang, rumusan masalah, batasan masalah, tujuan, dan sistematika penulisan.

Bab II Landasan Teori berisi dasar ilmu yang mendukung pembahasan penelitian ini.

Bab III Metodologi Penelitian berisi desain sistem secara terstruktur, berupa Data Flow Diagram (DFD) yang menunjukkan langkah-langkah proses pengerjaan tugas akhir dan juga keterangan dari DFD tersebut. Selain itu akan dilakukan pembuatan aplikasi dan perangkat kerasnya yang dibangun sesuai dengan permasalahan dan batasannya yang telah dijabarkan pada bab pertama.

Bab IV Hasil dan Pembahasan akan dilakukan uji coba berdasarkan parameter-parameter yang ditetapkan, dan kemudian dilakukan analisa terhadap hasil uji coba tersebut.

Referensi

Dokumen terkait

[r]

Pokja Bidang Konstruksi 3 ULP Kabupaten Klaten akan melaksanakan [Pelelangan Umum/Pemilihan Langsung] dengan pascakualifikasi untuk paket pekerjaan konstruksi secara

- Nilai pergeseran rata-rata posisi horisontal titik-titik yang berada pada lokasi dengan ruang pandang ke langit relatif terbuka (poligon model 1 & 2) memberikan hasil yang

selanjutnya tumbuh menjadi tanaman. Susunan buah kelapa sawit dari lapisan luar.. sebagai berikut : 1) kulit buah yang licin dan keras (epicarp), 2)

Berdasarkan penelitian yang dilakukan, diperoleh bahwa ketelitian rata-rata posisi horisontal dari hitung perataan secara simultan dan bertahap pada kasus jaring kuadrilateral

Penambahan sabut kelapa pada media tanam cenderung menunjukkan hasil yang lebih besar dari ketiga parameter dan frekuensi penyiraman satu kali sehari pada tanaman kelapa

Pengujian Blood Pressure dengan Pembanding Alat Ukur Tekanan Darah Raksa ... Pengujian Blood Pressure dengan Pembanding Alat Ukur Tekanan Darah Digital

Deddy Mulyana, Metode Penelitian Kualitatif : Paradigma Baru Ilmu Komunikasi dan Ilmu Sosial Lainnya (Bandung: Rosda, 2002).. Dieter Bartels, Tuhanmu Bukan Lagi Tuhanku :